【技术实现步骤摘要】
本专利技术涉及推荐，特别涉及一种融合二阶段学习的长尾推荐方法与系统。
技术介绍
1、推荐系统主要用于根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户，并结合长尾推荐以实现推荐结果的偶然性和多样性。但是由于尾部用户和尾部项目缺乏交互信息，这给推荐系统的训练带来了一定的困难。
2、目前现有方法一般通过数据补全、逆倾向得分、引入辅助信息等来缓解推荐模型长尾现象、推荐多样性不佳的问题。目前的数据补全多采用启发式的方法，如果直接填充缺失值，但这会导致结果严重依赖于填充数据的准确度；逆倾向得分方法中以倾向得分的无偏估计量为优化目标，效果取决于对倾向得分预测的准确性；引入辅助信息的方法往往只能在特定的领域使用，通用性较差，无法很好地推广。
技术实现思路
1、鉴于上述状况，本专利技术的主要目的是为了提出一种融合二阶段学习的长尾推荐方法与系统，以解决上述技术问题。
2、本专利技术提出了一种融合二阶段学习的长尾推荐方法，所述方法包括如下步骤：
3、步骤1、提取用户、曝光项目和未曝光项目的特征，通过特征变换对齐曝光项目与未曝光项目的特征分布；
4、步骤2、将对齐的特征分布与用户特征送入深度网络中进行预测，以获取预测标签，并通过预测标签中所属类别的先验信息来自适应的调整预测标签中对应类别的分类概率；
5、步骤3、计算用户的特征和未曝光项目的相关性得分，得到目标域项目相关性得分，并根据目标域项目相关性得分获取目标样本的预测标签类别概
6、步骤4、基于二阶段学习的分类器生成未曝光项目的特征的正负样本概率，利用目标样本的预测标签类别概率自训练，以进行对比学习，训练完成后，输出用户与项目的最终特征表示，根据用户与项目的最终特征表示与输出推荐列表。
7、本专利技术基于特征变换的方法来进行特征分布对齐，并融合基于二阶段学习过程的分类器来对预测标签进行校验，利用未曝光项目的高置信度预测标签进行自训练，以提升模型的类别识别能力，显著改善推荐模型的长尾性能，增强推荐结果多样性。
8、本专利技术还提出一种融合二阶段学习的长尾推荐系统，其中，所述系统应用如上所述的融合二阶段学习的长尾推荐方法，所述系统包括：
9、特征对齐模块，用于：
10、提取用户、曝光项目和未曝光项目的特征，通过特征变换对齐曝光项目与未曝光项目的特征分布；
11、二阶段学习模块，用于：
12、将对齐的特征分布与用户特征送入深度网络中进行预测，以获取预测标签，并通过预测标签中所属类别的先验信息来自适应的调整预测标签中对应类别的分类概率；
13、自训练模块，用于：
14、计算用户的特征和未曝光项目的相关性得分，得到目标域项目相关性得分，并根据目标域项目相关性得分获取目标样本的预测标签类别概率；
15、将目标样本的预测标签类别概率和调整后的预测标签送入二阶段学习分类器进行相互校验，并根据校验结果进行自训练，自训练完成后，输出用户与项目的最终特征表示，根据用户与项目的最终特征表示与输出推荐列表。
16、相较于现有技术，本专利技术的有益效果如下：
17、1、设计一个通用的tsl4ltr框架，显著改善了推荐模型的长尾性能，增强了推荐结果的多样性。
18、2、引入二阶段学习框架，使用一个简单高效的分类器对未曝光项目的预测标签进行校验，提高了预测标签的准确性。
19、3、通过自训练过程，提升推荐模型中特征提取器部分对尾项目的表示能力，减少在特征域对齐过程中负迁移情况的发生。
20、本专利技术的附加方面与优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实施例了解到。
本文档来自技高网...【技术保护点】
1.一种融合二阶段学习的长尾推荐方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤1中，通过特征变换对齐曝光项目与未曝光项目的特征分布的过程存在如下关系式：
3.根据权利要求2所述的融合二阶段学习的长尾推荐方法，其特征在于，项目特征向量均值的计算过程存在如下关系式：
4.根据权利要求3所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤2中，将对齐的特征分布与用户特征送入深度网络中进行预测，以获取预测标签的方法具体包括如下步骤：
5.根据权利要求4所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤2中，通过预测标签中所属类别的先验信息来自适应的调整预测标签中对应类别的分类概率的计算方法具体包括：
6.根据权利要求5所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤3中，计算用户的特征和未曝光项目的相关性得分，得到目标域项目相关性得分，并根据目标域项目相关性得分获取目标样本的预测标签类别概率的方法具体包括如下步骤：
7.根
8.根据权利要求7所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤4中，用户与项目的最终特征表示与输出推荐列表的计算过程存在如下关系式：
9.一种融合二阶段学习的长尾推荐系统，其特征在于，所述系统应用如权利要求1至8任意一项所述的融合二阶段学习的长尾推荐方法，所述系统包括：
...【技术特征摘要】
1.一种融合二阶段学习的长尾推荐方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤1中，通过特征变换对齐曝光项目与未曝光项目的特征分布的过程存在如下关系式：
3.根据权利要求2所述的融合二阶段学习的长尾推荐方法，其特征在于，项目特征向量均值的计算过程存在如下关系式：
4.根据权利要求3所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤2中，将对齐的特征分布与用户特征送入深度网络中进行预测，以获取预测标签的方法具体包括如下步骤：
5.根据权利要求4所述的融合二阶段学习的长尾推荐方法，其特征在于，在所述步骤2中，通过预测标签中所属类别的先验信息来自适应的调整预测标签中对应类别的分类概率的计算方...
【专利技术属性】
技术研发人员：钱忠胜，杨志贤，张子睿，乐人瑄，付庭峰，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。